效率不会导致可持续的推理型AI

AI研究正越来越多地致力于复杂问题解决，其中模型的优化目标不仅限于模式识别，而是针对多步骤推理。历史上，全球计算的能源足迹一直通过持续的效率提升和需求的自然饱和阈值来稳定。然而，随着效率改进正逼近物理极限，新兴的推理型AI缺乏类似的饱和点：性能不再受限于可用训练数据的多少，而是继续随着对训练和推理中指数级计算投资的增加而扩大。本文认为，仅靠效率不会导致可持续的推理型AI，并讨论了将显式限制嵌入此类系统优化与治理的研究与政策方向。